Большие данные

Заблуждений, связанных с аналитикой, немало — они могут касаться и необходимых объемов данных, и кадровых потребностей, и выбора технологий. Предлагаем вашему вниманию конструктивный взгляд на то, как поставить на службу бизнесу науку о данных, чтобы обеспечить ему реальные результаты.

Каковы перспективы у ретейла, если он не будет меняться? Очевидно, не слишком радужные, впрочем, как и у компаний любой другой отрасли. Трансформация нужна всем, другое дело – в каком направлении она пойдет и насколько будет радикальной.

Проблеме роли CDO в современных компаниях и их профессиональной трансформации был посвящен круглый стол в рамках конференции BIG DATA 2018. Мы поговорили с одним из участников мероприятия – Азатом Шамсутдиновым, директором направления машинного обучения и искусственного интеллекта компании North.AI.

Александр Смоленский, директор по развитию бизнеса компании «Цифра», — о том, как новые технологии способны помочь развитию промышленности, о перспективах применения искусственного интеллекта и о том, в каких производственных процессах будет наиболее востребован ИИ в обозримом будущем.

«КАМАЗ», «Северсталь» и ТК «Мегаполис» работают в разных сегментах рынка, но их объединяет потребность в цифровизации работы с клиентами, хотя к решению задачи каждая из компаний подошла по-своему.

Большие данные в фармацевтике нужны главным образом для принятия правильных решений о том, кому и какие препараты назначать, и о том, как будет формироваться стоимость препарата.

Анджей Аршавский, директор по анализу данных и моделированию Новолипецкого металлургического комбината, – о первых результатах оптимизации производства с помощью анализа данных и о перспективах применения искусственного интеллекта в металлургии.

Владимир Чернаткин, куратор проектов больших данных и Интернета вещей холдинга «СИБУР», – о первых шагах компании в Индустрию 4.0 и используемых подходах

Соблюдение этих рекомендаций поможет вам опередить конкурентов, сгенерировать новые источники доходов и лучше обслуживать клиентов.

Как показывает практика работы с данными, не всегда больший объем данных означает большую эффективность построенных моделей. Не все данные одинаково полезны, и до сих пор компании склонны оценивать то, что клиент сам сообщает о себе, а не ориентироваться на его поведение. Как показывает опыт Сбербанка, именно это убивает эффективность создаваемых решений – требуется ориентироваться на объективные показатели.